基于梯度特征的暗環(huán)境視頻目標(biāo)實(shí)時(shí)跟蹤方法
【專利摘要】本發(fā)明公開了一種基于梯度特征的暗環(huán)境視頻目標(biāo)實(shí)時(shí)跟蹤方法。以多尺度矩形濾波器作為信號(hào)采樣矩陣，以稀疏隨機(jī)高斯矩陣作為壓縮感知矩陣，借助向量積分圖算法可快速提取樣本特征；向量積分圖步驟采用裁剪模版方法有效減少冗余計(jì)算。本發(fā)明利用1鄰域LHOG提取特征，適用于黑夜、井下光照條件差，目標(biāo)可能發(fā)生旋轉(zhuǎn)、形變的目標(biāo)跟蹤，識(shí)別率高，為目標(biāo)跟蹤提供了可靠的結(jié)果。
【專利說明】基于梯度特征的暗環(huán)境視頻目標(biāo)實(shí)時(shí)跟蹤方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于梯度特征的暗環(huán)境視頻目標(biāo)實(shí)時(shí)跟蹤方法，屬于圖像模式識(shí) 別【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 計(jì)算機(jī)視覺目標(biāo)跟蹤領(lǐng)域普遍采用檢測式跟蹤架構(gòu)，該架構(gòu)通過生成少量的正負(fù) 樣本在線訓(xùn)練分類器，將跟蹤任務(wù)轉(zhuǎn)化為檢測任務(wù)。這是因?yàn)槟繕?biāo)檢測領(lǐng)域取得了重大進(jìn) 展，分類器技術(shù)也被大量研究并不斷取得進(jìn)步，有效保證了跟蹤的成功率。檢測任務(wù)需要 對采集到的樣本進(jìn)行特征提取，以反映樣本的特點(diǎn)，便能夠進(jìn)行樣本分類和判別，傳統(tǒng)的特 征提取方法需要依賴經(jīng)驗(yàn)進(jìn)行構(gòu)造，K. H. Zhang等提出一種基于壓縮感知的特征提取方法 (Compressive Tracking)，通過將廣義Haar特征與一系列多尺度濾波器卷積以保證特征 的多尺度性質(zhì)，再利用隨機(jī)稀疏高斯矩陣對特征進(jìn)行降維以保證跟蹤的實(shí)時(shí)效果。但廣義 Haar特征存在對光照亮度、目標(biāo)旋轉(zhuǎn)敏感的特性，本發(fā)明使用LHOG特征改進(jìn)特征提取的流 程，在保證實(shí)時(shí)性和穩(wěn)定性的基礎(chǔ)上，令目標(biāo)跟蹤算法能夠適應(yīng)低照度、目標(biāo)旋轉(zhuǎn)、光照變 化等各類容易引起目標(biāo)丟失的場景。


【發(fā)明內(nèi)容】

[0003] 為了克服現(xiàn)有跟蹤算法不能處理極端照度場景中目標(biāo)跟蹤的問題。本發(fā)明提出了 一種適合井下、夜間等特殊環(huán)境的基于梯度特征的目標(biāo)實(shí)時(shí)跟蹤方法，該方法利用LHOG進(jìn) 行梯度特征提取，使提取后的特征包含了豐富的樣本的統(tǒng)計(jì)信息，利用梯度特征對光照不 敏感的特性，使跟蹤系統(tǒng)能夠在昏暗環(huán)境中達(dá)到較高跟蹤成功率。
[0004] 本發(fā)明公開了一種基于梯度特征的暗環(huán)境視頻目標(biāo)實(shí)時(shí)跟蹤方法，包括初始化階 段和目標(biāo)跟蹤階段，所述初始化階段包括以下步驟：
[0005] 1)在初始化時(shí)，計(jì)算稀疏采樣矩陣
[0006] a)計(jì)算信號(hào)采樣矩陣O ;
[0007] b)計(jì)算稀疏感知矩陣￥ ;
[0008] c)計(jì)算稀疏采樣矩陣?，其中? = V ?①；
[0009] 2)創(chuàng)建一個(gè)由50個(gè)貝葉斯弱分類器級(jí)聯(lián)而成的二分類樸素貝葉斯分類器H(X)， 每一個(gè)貝葉斯弱分類器hjx。）都是基于表示標(biāo)簽為y = 1的正樣本和標(biāo)簽為y = 0的負(fù)樣

【權(quán)利要求】
1. 一種基于梯度特征的暗環(huán)境視頻目標(biāo)實(shí)時(shí)跟蹤方法，其特征在于，包括初始化階段 和目標(biāo)跟蹤階段，所述初始化階段包括以下步驟： 1) 在初始化時(shí)，計(jì)算稀疏采樣矩陣 a) 計(jì)算信號(hào)采樣矩陣〇 ; b) 計(jì)算稀疏感知矩陣W ; c) 計(jì)算稀疏采樣矩陣〇，其中〇 = W ?①； 2) 創(chuàng)建一個(gè)由50個(gè)貝葉斯弱分類器級(jí)聯(lián)而成的二分類樸素貝葉斯分類器H(x)，每一 個(gè)貝葉斯弱分類器匕〇〇都是基于表示標(biāo)簽為y = 1的正樣本和標(biāo)簽為y = 0的負(fù)樣本的
,其中（U y,。，〇 y,。）表示標(biāo)簽為y的第c維特征對 應(yīng)的貝葉斯弱分類器的正態(tài)判別曲線的參數(shù)值； 所述目標(biāo)跟蹤階段包括以下步驟： 1) 視頻圖像中第k幀進(jìn)行目標(biāo)探測 a) 以第k-1幀跟蹤到的目標(biāo)CV1為中心進(jìn)行候選樣本采集，在第k幀內(nèi)采集到ny個(gè)歐 氏距離滿足OSlI Z-Oyir2 Sr；的樣本構(gòu)成候選樣本集合5 = {z I OSlI其 中<為候選樣本搜索半徑； b) 計(jì)算包含全部候選樣本z e Zy的最小矩形區(qū)域U z (z e Zy)，對該矩形區(qū)域圖像片 依次進(jìn)行灰度化、1鄰域LHOG編碼、向量積分，最終得到向量積分圖I ; c) 以稀疏采樣矩陣?中的非零元素的對角線為標(biāo)尺，用對角線減法從向量積分圖I中 提取每個(gè)候選樣本z G Zy的壓縮編碼特征值X，有Z - X (z G Zy); d) 對包含ny個(gè)候選樣本的候選樣本集合Zy排序并編號(hào)為z.v = (zPz2Vzl?，…，\}，每 個(gè)候選樣本％的壓縮編碼特征值&輸入第k-1幀訓(xùn)練好的二分類樸素貝葉斯分類器，計(jì)算
其中d表示特征X1?的總維度，Xls。表示來自第r個(gè)候 選樣本％的壓縮編碼特征&的第c維，分類得分最大的&對應(yīng)的第r個(gè)樣本即是第k幀 跟蹤到的目標(biāo)Ok; 2) 視頻圖像中第k幀的二分類樸素貝葉斯分類器更新 a) 以第k幀跟蹤到的目標(biāo)Ok為中心進(jìn)行正負(fù)樣本采集，在第k幀內(nèi)采集到Ii1個(gè)歐氏 距離滿足Od z-O/2 Sr,+的樣本構(gòu)成正樣本集合Zl=^lodk-O/2 其中 < 為 正樣本搜索半徑，在第k幀內(nèi)采集到％個(gè)歐氏距離滿足& Sll z-OiIlf2 S <的樣本構(gòu)成負(fù)樣 本集合2。Sll z-O/2 <r。+}，其中（為負(fù)樣本搜索內(nèi)徑，< 為負(fù)樣本搜索外徑； b) 計(jì)算包含全部正負(fù)樣本的最小矩形區(qū)域U z (z e Z1 U Z(l)，對該矩形區(qū)域圖像片依 次進(jìn)行灰度化、1鄰域LHOG編碼、向量積分，最終得到向量積分圖I ; c) 以稀疏采樣矩陣?中的非零元素的對角線為標(biāo)尺，用對角線減法從向量積分圖I中 提取每個(gè)正負(fù)樣本Z G Z1 U Zci的壓縮編碼特征值X，有Z - x(z G Z1 U Ztl); d) 對二分類樸素貝葉斯分類器進(jìn)行更新
【文檔編號(hào)】G06K9/62GK104331909SQ201410669907
【公開日】2015年2月4日 申請日期:2014年11月21日 優(yōu)先權(quán)日:2014年11月21日
【發(fā)明者】孫繼平, 杜東璧 申請人:中國礦業(yè)大學(xué)(北京)